11月5日，2026年第11期IT讲坛邀请到中山大学副教授、博士生导师王帅，带来题为“多团簇协同场景下的网络关键节点识别方法研究”的学术报告。讲座由信息学院副院长李秀梅主持，学院众多师生参加了本次学术交流活动。

讲座伊始，王帅副教授围绕复杂网络系统的基本特征与影响力最大化问题展开介绍。他指出，复杂网络广泛存在于社交网络、城市交通、智能交通及多智能体协同等现实场景中，如何准确识别网络中的关键节点、优化信息传播效率，是复杂网络分析与智能优化领域的重要研究课题。结合医疗资源配置、城市交通路网优化及无人集群控制等实际案例，王帅副教授深入浅出地阐述了网络拓扑结构、节点重要性及系统鲁棒性在实际应用中的重要作用。

随后，王帅副教授重点介绍了多团簇协同场景下网络关键节点识别的研究进展与核心算法。针对传统影响力最大化方法在动态网络环境中传播性能不稳定的问题，他介绍了基于传播鲁棒性指标的优化方法，以增强网络遭受攻击或结构变化时的信息传播稳定性。在此基础上，针对多群组竞争传播与多任务协同优化问题，他进一步阐述了通过任务间知识共享与迁移提升算法搜索效率和优化性能的研究思路。

在算法创新方面，王帅副教授重点分享了强化学习在网络关键节点选择中的应用。他介绍了如何将种子节点选择建模为序列决策问题，并结合图神经网络与强化学习框架，实现节点选择过程的智能化与自适应优化。相关研究通过状态、动作和奖励机制优化决策策略，在提升求解效率的同时，有效降低了大规模网络优化问题的计算成本，为复杂网络影响力最大化提供了新的技术路径。

报告最后，王帅副教授展望了复杂网络研究的未来发展方向。他指出，随着大语言模型、深度学习及智能体技术的快速发展，复杂网络分析将进一步向智能化、动态化和大规模协同方向演进。未来研究可重点关注超大规模网络的算法可扩展性、动态环境下的鲁棒性以及跨领域迁移学习能力，并探索复杂网络理论在自动驾驶、无人机集群协同及深度神经网络结构优化等领域的应用潜力。

本次讲座内容丰富、深入浅出，不仅加深了学院师生对复杂网络关键节点识别、影响力最大化及智能优化算法的理解，也展示了多任务优化与强化学习在复杂网络研究中的应用前景，为学院师生开展人工智能、复杂网络分析及多智能体协同等相关领域的研究提供了新的思路与启发。

（图/李丹彤 文/李丹彤 陈银）